13 avances informáticos líderes: Qué esperar para 2026

Las innovaciones informáticas se refieren a desarrollos tecnológicos y avances en el campo de la computación, incluyendo dispositivos hardware y aplicaciones software.

La tasa de innovación informática se está acelerando, con nuevas tecnologías emergiendo constantemente. Los factores principales detrás de esta expansión rápida incluyen:

• La disponibilidad creciente de potencia de cómputo
• El crecimiento de dispositivos IoT
• El auge de la inteligencia artificial
• Inversión pesada en investigación y desarrollo

Los esfuerzos colectivos de ingenieros, científicos e investigadores en industria, academia y comunidad open-source han impulsado la expansión de tales innovaciones.

En los próximos años, podemos esperar ver incluso más avances transformadores, abriendo nuevas vías e impactando diversos aspectos de nuestras vidas, desde comunicación y entretenimiento hasta sanidad y transporte.

A continuación, destacamos innovaciones informáticas modernas que apuntan a mejorar capacidades computacionales, resolver problemas complejos, mejorar eficiencia y habilitar nuevas posibilidades en múltiples dominios.

Nota: Para enseñarte algo nuevo, no hemos incluido términos más amplios como Circuitos Integrados, Internet, Cloud Computing, Big Data, Inteligencia Artificial, Blockchain, Realidad Virtual y Computación Cuántica.

9. Criptografía Cuántica

Crédito imagen: Amazon

Aprovecha principios cuánticos para proteger transmisión de datos

La criptografía cuántica, también llamada distribución cuántica de claves (QKD), se centra en comunicación segura basada en principios de mecánica cuántica. Proporciona un canal de comunicación seguro usando propiedades fundamentales de la mecánica cuántica, como el teorema de no-clonación y el principio de incertidumbre.

Mientras técnicas criptográficas tradicionales se basan en ecuaciones matemáticas y complejidad computacional para asegurar datos, la criptografía cuántica se basa en las leyes de la física. Es más segura y no puede ser rota por ningún medio (incluso por computadoras cuánticas).

La criptografía cuántica es aún un campo en desarrollo —no se ha desplegado ampliamente en sistemas prácticos. Sin embargo, varios experimentos e implementaciones a pequeña escala han tenido lugar. Por ejemplo,

En 2017, investigadores del National Institute of Information and Communications Technology y la Universidad de Tokio demostraron QKD con éxito a una distancia de 404 kilómetros.

En 2022, un equipo de investigadores de la Universidad de Ginebra y la Universidad de Oxford demostró un protocolo QKD inmune a defectos y vulnerabilidades de dispositivos físicos que plagan protocolos cuánticos actuales. Es una forma de seguridad mucho más fuerte comparada con cualquier técnica criptográfica tradicional.

Ventajas de la criptografía cuántica

• Imposible para un espía interceptar
• Puede proporcionar comunicación segura a velocidades muy altas

Desventajas

• Tecnología compleja; aún no ampliamente disponible
• Realmente cara, lo que limita su uso a aplicaciones de alta seguridad

China, en particular, ha estado a la vanguardia de investigación en criptografía cuántica. La Academia China de Ciencias ha hecho avances sustanciales en este campo, mientras investigadores del Shanghai Institute of Microsystem and Information Technology y la Universidad de Ciencia y Tecnología de China han participado en numerosos despliegues exitosos de redes de comunicación cuántica.

8. Edge AI

Implementa IA directamente en dispositivos edge

Edge IA implica desplegar y ejecutar modelos y algoritmos de IA directamente en dispositivos edge, como smartphones y dispositivos IoT, en lugar de depender de infraestructura cloud-based.

Lleva capacidades de IA más cerca de la fuente de datos, facilitando procesamiento en tiempo real, análisis y toma de decisiones en los dispositivos edge. Puede ser crucial en aplicaciones que requieren respuesta rápida y baja latencia, como monitorizado sanitario, vehículos autónomos y automatización industrial.

Edge IA también mejora privacidad y seguridad manteniendo información sensible local en dispositivos edge y procesando datos sin transmitirlos a la cloud. Mitiga riesgos de brechas de datos y asegura que los datos permanezcan privados y protegidos.

Ejemplos populares de Edge IA

• Vehículos autónomos usan datos procesados localmente por cámaras y sistemas radar
• Videovigilancia usa Edge IA para identificar objetos y personas para responder rápido a amenazas de seguridad
• Automatización industrial se logra monitorizando y analizando datos de sensores y maquinaria en tiempo real
• La industria agrícola utiliza datos recopilados de dispositivos edge para optimizar asignación de recursos, predecir rendimientos de cultivos y asegurar prácticas agrícolas eficientes

El futuro de Edge IA parece prometedor y se espera que experimente crecimiento sobresaliente en próximos años. El desarrollo de hardware de cómputo más eficiente energéticamente y potente hará fácil desplegar modelos de IA complejos directamente en dispositivos edge.

7. Procesamiento de Lenguaje Natural (PLN)

Permite a computadoras entender lenguaje humano eficientemente

El PLN se centra en la interacción entre máquinas y lenguaje humano. Su objetivo principal es permitir a computadoras entender, interpretar y generar lenguaje humano significativo.

Utiliza múltiples técnicas para tratar diferentes aspectos del procesamiento de lenguaje. Por ejemplo, implementa

• Tokenización para dividir textos en unidades más pequeñas para procesamiento y análisis posterior
• Análisis morfológico para entender estructura y formación de palabras
• Análisis semántico para entender el significado de frases
• Análisis de sentimiento para determinar el tono emocional expresado en texto
• Generación de lenguaje natural para producir respuestas basadas en reglas predefinidas o patrones aprendidos

La mayoría de técnicas de PLN se basan en modelos de machine learning, como redes neuronales convolucionales, redes neuronales recurrentes, modelos ocultos de Markov y campos aleatorios condicionales. Estos modelos se entrenan en volúmenes masivos de datos anotados para aprender patrones y relaciones en lenguaje.

Cuanto más se entrenan estos modelos (en diferentes datasets), mejor pueden hacer predicciones y realizar tareas relacionadas con lenguaje.

El Procesamiento de Lenguaje Natural ya se usa en numerosos dominios; las aplicaciones más comunes son

• Motores de búsqueda usan PLN para entender consultas de usuario, analizar contenido de páginas web y entregar resultados de búsqueda más relevantes.
• Sistemas de monitorizado de texto online analizan reseñas de clientes y posts en redes sociales para ganar insights sobre opiniones, actitudes y tendencias.
• Chatbots y asistentes virtuales facilitan soporte al cliente e interacciones automatizadas.
• Herramientas de resumen de texto generan resúmenes concisos de documentos largos y complejos.
• Herramientas de análisis financiero analizan informes financieros y noticias de negocio para extraer insights, sentimiento y tendencias de mercado.
• Plataformas de análisis de texto clínico pueden examinar historiales médicos y literatura biomédica para ayudar en tareas como recuperación de información médica y diagnóstico de enfermedades.
• Sistemas de análisis de documentos legales facilitan investigación legal, análisis de contratos y due diligence.

A medida que el campo sigue avanzando, emergen nuevas aplicaciones y casos de uso, demostrando la capacidad y versatilidad de técnicas de PLN.

Según el informe de Grand View Research, el tamaño del mercado global de procesamiento de lenguaje natural superará 439.000 millones de dólares para 2030, creciendo a una asombrosa CAGR del 40,4%.

6. IA Explicable (XAI)

Hace modelos de IA más explicables a humanos

XAI se refiere al desarrollo de sistemas de IA que pueden proporcionar explicaciones transparentes y comprensibles para sus acciones y decisiones. Su objetivo principal es ayudar a humanos a entender y confiar en el razonamiento detrás de modelos de IA y sus procesos de toma de decisiones.

Los sistemas de IA convencionales, especialmente los basados en métodos de deep learning, usualmente funcionan como "cajas negras" donde los mecanismos internos y procesos de decisión no son fácilmente interpretables. Esta falta de transparencia a veces lleva a preocupaciones mayores en industrias como sanidad, finanzas y vehículos autónomos.

Por esto XAI es necesario —puede proporcionar transparencia, confianza y responsabilidad. También puede hacer que sistemas de IA cumplan requisitos legales y regulatorios, asegurando comportamiento ético y protección de derechos individuales.

Más específicamente, XAI apunta a responder preguntas como

• ¿Por qué el modelo de IA hizo una predicción o decisión específica?
• ¿Cómo funciona el modelo de IA?
• ¿Qué factores considera el modelo de IA?
• ¿Cuáles son las limitaciones y sesgos del modelo de IA?
• ¿Qué tan confiado está el modelo de IA en su predicción o decisión?
• ¿Qué datos influyeron en la decisión del modelo de IA?

XAI involucra diversas técnicas, las más comunes siendo explicaciones basadas en reglas, explicaciones locales, explicaciones globales y explicaciones contrafactuales.

La I+D en curso en este campo llevará a mejor entendimiento y uso responsable de tecnología IA, permitiendo su adopción generalizada en diversas industrias.

5. Interoperabilidad Blockchain

La capacidad de redes blockchain para comunicarse entre sí sin fricción

La tecnología blockchain usualmente funciona en protocolos o redes separadas, cada una con su propio conjunto de reglas, estructuras de datos y mecanismos de consenso. Estas redes distintas a menudo enfrentan retos al intercambiar datos.

La interoperabilidad blockchain apunta a superar estos retos y establecer conexiones fiables entre diferentes redes blockchain. Permite la transferencia fluida de datos a través de múltiples plataformas blockchain, permitiendo interoperabilidad y colaboración entre múltiples sistemas descentralizados.

Esto se logra implementando una gama de técnicas, como Tokenización, Atomic Swaps, Cross-Chain Bridges y Protocolos de Interoperabilidad.

Beneficios

• Transferencia fluida de activos digitales como criptomonedas o tokens entre diferentes blockchains
• Proporciona acceso fácil a apps y servicios descentralizados a través de múltiples blockchains
• Mejora liquidez general y reduce fragmentación de mercado
• Facilita aprovechar mecanismos de consenso y características de seguridad de múltiples cadenas
• Mejora rendición de cuentas y mitiga potencial de fraude
• Permite a redes blockchain evolucionar y adaptarse a requisitos cambiantes

Permite a desarrolladores combinar fortalezas de diferentes redes para crear aplicaciones descentralizadas poderosas que abarcan múltiples ecosistemas.

Las aplicaciones potenciales de interoperabilidad blockchain se extienden a numerosos dominios, desde finanzas descentralizadas y pagos transfronterizos hasta seguros y servicios sanitarios.

4. Quantum Machine Learning (QML)

Integra principios de computación cuántica y machine learning

QML es un campo emergente que combina principios de computación cuántica y machine learning para desarrollar nuevas técnicas para resolver problemas computacionales complejos. Explora cómo algoritmos y técnicas cuánticas pueden aplicarse a tareas de machine learning clásico.

QML aprovecha propiedades únicas de sistemas cuánticos para mejorar diferentes aspectos de machine learning, como optimización de datos, visualización, selección de características y reconocimiento de patrones.

Más específicamente, implica explorar técnicas para codificar datos clásicos en estados cuánticos, aprovechar operaciones cuánticas para realizar cómputo en representaciones cuánticas de datos, y desarrollar algoritmos que puedan utilizar propiedades cuánticas de superposición y entrelazamiento para encontrar soluciones óptimas más eficientemente que técnicas de optimización clásicas.

Ventajas

• Puede proporcionar aceleración exponencial sobre cómputo clásico para tareas específicas
• Puede abordar problemas de optimización más efectivamente
• Puede representar estructuras de datos complejas y relaciones usando estados cuánticos
• Puede explorar fenómenos cuánticos, modelar sistemas cuánticos y optimizar procesos cuánticos

Desventajas

• Disponibilidad limitada de hardware cuántico
• Propenso a errores causados por decoherencia y ruido
• Difícil adquirir datos cuánticos y desarrollar algoritmos cuánticos
• Resultados difíciles de interpretar y explicar usando métodos clásicos

A pesar de todas estas limitaciones, QML tiene potencial para revolucionar tecnología de machine learning existente. Por ejemplo, puede

• Acelerar proceso de descubrimiento de fármacos analizando datasets moleculares masivos y prediciendo sus propiedades
• Mejorar modelado financiero y análisis de riesgo optimizando asignación de portafolio y prediciendo tendencias de mercado
• Optimizar logística de cadena de suministro, llevando a mayor eficiencia y ahorro de costes
• Optimizar distribución y gestión de energía en sistemas smart grid
• Mejorar tareas de reconocimiento de patrones, incluyendo procesamiento de vídeo

A medida que hardware cuántico se vuelve más potente, podemos esperar que QML desbloquee nuevas posibilidades en diversas industrias y dominios.

3. Autenticación Biométrica

Usar características únicas de individuos para verificar su identidad

Como su nombre sugiere, esta tecnología usa datos biométricos (que son rasgos biológicos o conductuales medibles y distintivos) para propósitos de autenticación. Se basa en características fisiológicas o conductuales inherentes de un individuo.

Varios tipos de datos biométricos se usan para autenticación, los más comunes siendo huella dactilar, rasgos faciales, reconocimiento de voz, reconocimiento de iris, reconocimiento de retina, reconocimiento de firma y geometría de mano.

Algunos sistemas avanzados usan biometría conductual —implica capturar y analizar patrones conductuales únicos, como movimiento de ratón, ritmo de escritura y análisis de andar, para autenticar individuos basándose en sus características conductuales.

Ventajas

• Ofrece nivel de seguridad superior a métodos de autenticación tradicionales como PINs o contraseñas
• Más fiable y conveniente
• Reduce significativamente riesgo de robo de identidad y actividades fraudulentas

Desventajas

• A menudo plantea preocupaciones de privacidad
• Caro de implementar
• Puede encontrar errores, resultando en falsa aceptación o falso rechazo

La autenticación biométrica, especialmente huella dactilar y reconocimiento facial, se usa ampliamente para control de acceso a ubicaciones físicas seguras, como oficinas y áreas restringidas. También se usa comúnmente en smartphones y portátiles para desbloquear dispositivos, autorizar transacciones y asegurar información sensible.

La tecnología puede integrarse en sistemas de seguridad de vehículos para autenticar conductor o propietario del vehículo. También se está implementando en sectores sanitarios para asegurar acceso a historiales médicos y controlar acceso a áreas restringidas como dispensarios de fármacos y laboratorios.

Sistemas futuros pueden usar múltiples rasgos biométricos en combinación, como voz, retina y rasgos faciales, para proporcionar autenticación más fuerte con mayor precisión.

2. Redes Generativas Antagónicas (GANs)

Genera contenido realista y creativo

Las GANs están compuestas por dos redes neuronales: un generador y un discriminador. El generador es responsable de crear nuevos datos, mientras que el discriminador distingue entre datos reales y generados (falsos).

El generador apunta a crear muestras realistas (de datasets de entrenamiento) que puedan engañar al discriminador. El discriminador, por su parte, actúa como clasificador e intenta distinguir entre muestras reales y sintéticas.

Ambos modelos se entrenan iterativamente y actualizan sus parámetros dependiendo de su rendimiento. El objetivo final es crear muestras indistinguibles de datos reales.

Ventajas

• Puede crear nuevo contenido visual, transformar estilos y generar diseños únicos
• Aprende de datos sin etiquetar
• Mejora con el tiempo

Desventajas

• Computacionalmente intensivo de entrenar
• Puede usarse para generar contenido dañino, como deepfakes

La tecnología ha demostrado ser efectiva generando contenido creativo. Se ha usado para crear texto indistinguible de texto escrito por humanos, crear imágenes realistas de objetos y personas que no existen, y crear música indistinguible de música compuesta por humanos.

Las GANs también pueden mejorar calidad de fotos de baja resolución y detectar anomalías en muestras grandes y complejas (aprendiendo patrones normales en datasets e identificando desviaciones).

A medida que la investigación progresa, las Redes Generativas Antagónicas encontrarán aplicaciones en amplia gama de campos, desde descubrimiento de fármacos y publicidad hasta gaming y realidad virtual.

1. Computación Neuromórfica

Chip de investigación neuromórfico auto-aprendizaje de Intel llamado Loihi

Computación inspirada en el cerebro humano

La computación neuromórfica se refiere a un diseño y arquitectura de computadora inspirada en la estructura y función del cerebro humano. El objetivo es desarrollar sistemas hardware y software que imiten el comportamiento de redes neuronales biológicas.

Implica hardware especializado (como chips neuromórficos) y algoritmos desarrollados para replicar comportamiento de redes neuronales. Esto podría desbloquear capacidades de cómputo más eficientes y potentes.

El hardware usualmente emplea circuitos analógicos que pueden realizar cómputos neuronales eficientemente. Como modelos de redes neuronales se implementan a nivel hardware, los sistemas de computación neuromórfica pueden entregar alto rendimiento a baja potencia.

Estos sistemas pueden mejorar sustancialmente tareas de visión por computadora, como análisis de vídeo, reconocimiento facial, detección de objetos y comprensión de escenas. Sus capacidades de reconocimiento de patrones y procesamiento paralelo los hacen adecuados para tales tareas.

La computación neuromórfica también puede jugar un papel vital en vehículos autónomos —puede procesar rápida y eficientemente datos de radar, cámaras, LiDAR y otros sensores.

En robótica, los sistemas de computación neuromórfica pueden procesar datos de sensores en tiempo real y tomar decisiones inteligentes basadas en el entorno. Puede mejorar percepción de robot, planificación de movimiento y control, permitiendo sistemas robóticos más capaces y adaptables.

Ventajas

• Capacidades de procesamiento en tiempo real y paralelo
• Capacidades de aprendizaje y adaptación
• Eficiente energéticamente
• Tolerante a fallos

Desventajas

• No adecuada para todos los tipos de problemas de cómputo
• Altamente compleja

Aunque la computación neuromórfica es aún un campo en evolución, numerosos proyectos y plataformas han emergido en años recientes. Loihi de Intel y TrueNorth de IBM son los dos ejemplos más notables.

El chip Loihi presenta 130.000 neuronas, cada una capaz de comunicarse con miles de otras, y el chip TrueNorth contiene 1 millón de neuronas digitales y 256 millones de sinapsis estrechamente interconectadas a través de una infraestructura de enrutamiento event-driven.

Según investigación de mercado Polaris, el mercado global de computación neuromórfica alcanzará ingresos de 29.540 millones de dólares para 2032, creciendo a una CAGR del 21,1% de 2023 a 2032.

Otras innovaciones informáticas significativas

11. Robótica de Enjambre

La robótica de enjambre se centra en la coordinación de múltiples robots para lograr tareas colectivamente. Está inspirada en el comportamiento de insectos sociales, como abejas y hormigas, que exhiben comportamientos colectivos complejos sin requerir control centralizado.

Robots de enjambre individuales pueden comunicarse entre sí, compartir datos y coordinar sus acciones usando sensado local, comunicación inalámbrica o interacciones de rango limitado. Pueden intercambiar datos sobre su propio estado, entorno o tareas que están realizando.

Son adecuados para tareas cooperativas que requieren varios robots trabajando juntos. Ejemplos incluyen sensado distribuido, transporte cooperativo y manipulación de objetos. Pueden emplearse para tareas como explorar regiones desconocidas, mapear un área o buscar objetivos.

Los espectáculos de drones, en particular, se han vuelto más populares últimamente. Usan múltiples drones iluminados de noche para exhibiciones artísticas o publicidad.

10. Privacidad diferencial

La privacidad diferencial es un marco para protección de privacidad en análisis de datos y cómputos estadísticos. Ofrece un modelo matemático para proteger privacidad de individuos mientras permite extraer información clave de un dataset.

Aunque no garantiza privacidad perfecta, apunta a lograr equilibrio entre utilidad de datos y preservación de privacidad.

Funciona añadiendo ruido a los datos. El ruido se añade de forma que no impacta el análisis de datos, pero dificulta a un atacante extraer información de un individuo.

La cantidad de ruido añadido a los datos está determinada por un factor llamado epsilon. El epsilon controla el tradeoff entre utilidad y privacidad. Un valor epsilon menor significa menos ruido añadido, lo que proporciona más utilidad de datos pero menos privacidad.

Esta técnica ha ganado atención significativa en años recientes, particularmente en áreas como machine learning, ciencias sociales y sanidad, donde información sensible a privacidad está frecuentemente involucrada.

12. Sistemas Ciber-Físicos

Los Sistemas Ciber-Físicos combinan componentes físicos con elementos de cómputo, comunicación y control, permitiendo interacción fluida entre mundos físico y virtual.

Más específicamente, integra componentes físicos como maquinaria o sistemas biológicos con elementos cibernéticos como software o redes de comunicación. Emplea modelos computacionales sofisticados y técnicas de IA para procesar y analizar datos recopilados.

Estos modelos entonces optimizan operaciones, identifican anomalías, toman decisiones y responden a cambios en tiempo real.

Los Sistemas Ciber-Físicos encuentran aplicación en diversos dominios, desde manufactura y transporte hasta edificios inteligentes y redes energéticas. Por ejemplo, en manufactura, estos sistemas permiten monitorizado en tiempo real de equipos, procesos de producción adaptativos y mantenimiento predictivo. En smart cities, puede usarse para gestionar consumo energético, optimizar flujo de tráfico o mejorar seguridad pública.

13. Cifrado Homomórfico

El Cifrado Homomórfico implica realizar cómputos en datos cifrados (sin descifrarlos). En otras palabras, es una técnica criptográfica que permite procesar datos en su forma cifrada, preservando confidencialidad y privacidad.

Aunque esta técnica garantiza privacidad fuerte, tiene ciertas limitaciones. Las operaciones realizadas en datos cifrados son usualmente más lentas y requieren más recursos de CPU comparadas con realizar las mismas operaciones en datos en claro.

Sin embargo, estudios y desarrollos en curso en cifrado homomórfico están abordando tales limitaciones. Es un área prometedora de investigación criptográfica para proteger privacidad de personas mientras permite cómputos seguros.

Más para saber

¿Cuáles son algunas innovaciones informáticas que se espera tengan gran impacto en el futuro?

Machine learning, edge computing, 5G, tecnología blockchain, realidad aumentada y tecnologías de edición genética se espera que moldeen nuestro futuro significativamente.

¿Cómo pueden las innovaciones informáticas beneficiar a diferentes industrias?

Las innovaciones informáticas pueden beneficiar industrias de muchas formas diferentes:

Manufactura: Robots industriales y sistemas de automatización pueden mejorar procesos de manufactura, reducir error humano, mejorar eficiencia y permitir tareas sofisticadas realizadas con velocidad y precisión.

Sanidad: Machine learning puede analizar información de pacientes, imágenes médicas y datos genéticos para ayudar en detección temprana y precisa de enfermedades, llevando a mejores diagnósticos y planificación de tratamiento.

Finanzas: Mientras big data analytics permite a instituciones financieras analizar volúmenes masivos de datos y detectar fraude, tecnología blockchain puede asegurar sistemas de transacciones seguras y transparentes, mejorando transacciones transfronterizas y smart contracts.

Transporte: IA y tecnologías de sensores permiten desarrollo de vehículos autónomos, mejorando seguridad y eficiencia de transporte. Modelos predictivos pueden optimizar tráfico mediante análisis de datos en tiempo real y ayudar a planificar infraestructura de transporte.

Energía y Gestión Ambiental: Innovaciones informáticas pueden permitir monitorizado en tiempo real de parámetros ambientales para identificar fuentes de contaminación y predecir riesgos ambientales. También pueden analizar patrones de consumo energético y optimizar uso de energía en edificios, procesos industriales y sistemas de transporte.

Educación: Plataformas de aprendizaje adaptativo y software educativo pueden personalizar experiencias de aprendizaje adaptando contenido a necesidades individuales de estudiantes. Herramientas de analítica de datos avanzada pueden monitorizar rendimiento y patrones de aprendizaje de estudiantes, permitiendo a profesores identificar áreas de mejora e intervenciones personalizadas.

Tamaño de mercado de computación de próxima generación

El tamaño del mercado global de computación de próxima generación se espera supere 451.000 millones de dólares para 2030, creciendo a una CAGR del 19,1% de 2023 a 2030.

Los factores clave detrás de este crecimiento impresionante incluyen actividades crecientes de I+D entre empresas tecnológicas, demanda creciente para procesar y gestionar volúmenes masivos de datos, y adopciones crecientes de nuevas tecnologías como 5G, machine learning y blockchain.

Leer más

• 17 mejores laboratorios de investigación de ciencia y tecnología en el mundo
• 8 técnicas de cifrado más comunes para salvar datos privados